一、选题的背景
选择此选题是因为掌上高考是一个提供本科院校信息的网站,通过爬取该网站的数据,可以获取到各个本科院校的相关信息,如学校名称、所在地、专业设置等。通过对这些数据进行分析和可视化,可以帮助学生更好地了解各个本科院校的情况,为他们的升学选择提供参考。预期目标是通过数据分析,找出各个本科院校的特点和优势,以及不同地区、不同专业的分布情况,为学生提供更全面、准确的信息。从社会方面来看,这有助于提高学生的就业竞争力;从经济方面来看,这有助于促进教育产业的发展;从技术方面来看,这需要运用爬虫技术和数据分析技术;数据来源主要是掌上高考网站。
二、主题式网络爬虫设计方案
1. 主题式网络爬虫名称:掌上高考高校数据爬取与可视化爬虫
2. 主题式网络爬虫爬取的内容与数据特征分析:
- 爬取内容:掌上高考网站上的高校数据,包括高校名称、所在地、类型(综合类、理工类等)、排名、学科门类等信息。
- 数据特征分析:高校数据具有结构化特点,可以通过HTML标签和属性进行定位和提取。同时,由于高校数据的多样性,需要对不同类型的高校进行分类处理
3. 主题式网络爬虫设计方案概述:
- 实现思路:
(1). 确定目标网站:掌上高考网站。
(2). 分析网页结构:使用浏览器开发者工具查看网页源代码,分析大学数据的HTML标签和属性。
(3). 编写爬虫代码:根据分析结果,使用Python的第三方库编写爬虫代码,实现对高校数据的爬取。
(4). 数据清洗与存储:对爬取到的数据进行清洗和格式化处理,将数据存储到合适的数据结构中,如列表、字典等。
(5). 数据可视化:使用Python的可视化库对高校数据进行可视化展示,如绘制柱状图、折线图等。
- 技术难点:
(1). 动态加载:部分网页数据是通过JavaScript动态加载的,需要使用Selenium等工具模拟浏览器操作,获取动态加载的数据。
(2). 反爬机制:目标网站可能采用反爬机制,如设置User-Agent、限制访问频率等,需要使用代理IP、设置请求头等方式绕过反爬策略。
(3). 数据清洗:爬取到的数据可能存在缺失值、异常值等问题,需要进行数据清洗和预处理,确保数据的准确性和完整性。
三、主题页面的结构特征分析
1.主题页面的结构与特征分析:
(1).主题页面包含多个大学的信息、
(2).每个大学的信息包括学校名称、所在地、类型、排名等。
(3).页面中可能存在分页功能,需要翻页获取更多高校信息。
2. Htmls 页面解析
<div class="main-nav_mainNav__1qgwf"> 上方导航栏,其内容是学校、专业等内容分类
<div class="school-search_findBox__3C5IT">地区选择栏
<div class="school-search_listBox__at-rI">内容区
<div class="pagination_box">页面部分,用来选择页面
3.节点(标签) 查找方法与遍历方法
- 查找方法:通过调用get_size()函数获取数据总数,然后调用get_university_info()函数进行分页爬取
- 遍历方法:是在get_university_info()函数中,使用for`循环遍历每一页的数据
四、网络爬虫程序设计
Part1: 爬取查学校里面院校库的网页数据并保存为“全国大学数据.csv”文件
1 # 导入所需模块 2 import json 3 import time 4 from time import sleep 5 import pandas as pd 6 import numpy as np 7 from bs4 import BeautifulSoup 8 from requests_html import HTMLSession,UserAgent 9 import random 10 import os 11 12 def get_header(): 13 import fake_useragent 14 location = os.getcwd() + '/fake_useragent.json' 15 ua = fake_useragent.UserAgent(path=location) 16 return ua.random 17 18 def get_size(page=1): 19 url = 'https://api.eol.cn/gkcx/api/?access_token=&admissions=¢ral=&department=&dual_class=&f211=&f985=&is_doublehigh=&is_dual_class=&keyword=&nature=&page={0}&province_id=&ranktype=&request_type=1&school_type=&signsafe=&size=20&sort=view_total&top_school_id=[2941]&type=&uri=apidata/api/gk/school/lists'\ 20 .format(page) 21 session = HTMLSession() #创建HTML会话对象 22 user_agent = UserAgent().random #创建随机请求头 23 header = {"User-Agent": user_agent} 24 res = session.post(url, headers=header) 25 data = json.loads(res.text) 26 size = 0 27 if data["message"] == '成功---success': 28 size = data["data"]["numFound"] 29 return size 30 31 def get_university_info(size, page_size=20): 32 page_cnt = int(size/page_size) if size%page_size==0 else int(size/page_size)+1 33 print('一共{0}页数据,即将开始爬取...'.format(page_cnt)) 34 session2 = HTMLSession() #创建HTML会话对象 35 df_result = pd.DataFrame() 36 for index in range(1, page_cnt+1): 37 print('正在爬取第 {0}/{1} 页数据'.format(index, page_cnt)) 38 url = 'https://api.eol.cn/gkcx/api/?access_token=&admissions=¢ral=&department=&dual_class=&f211=&f985=&is_doublehigh=&is_dual_class=&keyword=&nature=&page={0}&province_id=&ranktype=&request_type=1&school_type=&signsafe=&size=20&sort=view_total&top_school_id=[2941]&type=&uri=apidata/api/gk/school/lists' \ 39 .format(index) 40 user_agent = UserAgent().random #创建随机请求头 41 header = {"User-Agent": user_agent} 42 res = session2.post(url, headers=header) 43 44 with open("res.text", "a+", encoding="utf-8") as file: 45 file.write(res.text) 46 47 data = json.loads(res.text) 48 49 if data["message"] == '成功---success': 50 df_data = pd.DataFrame(data["data"]["item"]) 51 df_result = pd.concat([df_result, df_data], ignore_index=True) 52 time.sleep(random.randint(5, 7)) 53 54 return df_result 55 56 size = get_size() 57 df_result = get_university_info(size) 58 df_result.to_csv('全国大学数据.csv', encoding='gbk', index=False)
Part2: 用访问量排序来查询保存下来的“全国大学数据.csv”文件
1 # 导入所需模块 2 import pandas as pd 3 import plotly as py 4 import numpy as np 5 # 读取数据 6 university = pd.read_csv('data/全国大学数据.csv',encoding='gbk') 7 8 # 对数据进行处理 9 university = university.loc[:,['name','nature_name','province_name','belong', 10 'city_name', 'dual_class_name','f211','f985','level_name' , 11 'type_name','view_month_number','view_total_number', 12 'view_week_number','rank']] 13 c_name = ['大学名称','办学性质','省份','隶属','城市','高校层次', 14 '211院校','985院校','级别','类型','月访问量','总访问量','周访问量','排名'] 15 university.columns = c_name 16 17 # 访问量排序 18 university.sort_values(by='总访问量',ascending=False).head()
Part3: 用条形图显示全国各省的 “双一流” 和 “非双一流” 高校数量
1 university['高校总数'] = 1 2 university.fillna({'高校层次': '非双一流'},inplace=True) 3 university_by_province = university.pivot_table(index=['省份','高校层次'], 4 values='高校总数',aggfunc='count') 5 university_by_province.reset_index(inplace=True) 6 university_by_province.sort_values(by=['高校总数'],ascending=False,inplace=True) 7 8 #查询全国各省高校数量 9 import plotly.express as px 10 fig = px.bar(university_by_province, 11 x="省份", 12 y="高校总数", 13 color="高校层次") 14 fig.update_layout( 15 title='全国各省高校数量', 16 xaxis_title="省份", 17 yaxis_title="高校总数", 18 template='ggplot2', 19 font=dict( 20 size=12, 21 color="Black", 22 ), 23 margin=dict(l=40, r=20, t=50, b=40), 24 xaxis=dict(showgrid=False), 25 yaxis=dict(showgrid=False), 26 plot_bgcolor="#fafafa", 27 legend=dict(yanchor="top", 28 y=0.8, 29 xanchor="left", 30 x=0.78) 31 ) 32 fig.show()
Part4: 根据 “全国省市区行政区划.xlsx” 文件结合 “全国大学数据.csv” 中的经纬度生成全国高校地理分布图
1 df = pd.read_excel('./data/全国省市区行政区划.xlsx',header=1) 2 # 筛选出层级为2的数据,并选择'全称'、'经度'和'纬度'列 3 df_l = df.query("层级==2").loc[:,['全称','经度','纬度']] 4 df_l = df_l.reset_index(drop=True).rename(columns={'全称':'城市'}) 5 df7 = university.pivot_table('大学名称','城市',aggfunc='count') 6 df7 = df7.merge(df_l,on='城市',how='left') 7 # 按照大学数量降序排序 8 df7.sort_values(by='大学名称',ascending=False) 9 10 import plotly.graph_objects as go 11 import pandas as p 12 df7['text'] = df7['城市'] + '<br>大学总数 ' + (df7['大学名称']).astype(str)+'个' 13 14 # 定义文本、颜色和范围 15 limits = [(0,10),(11,20),(21,50),(51,100),(101,200)] 16 colors = ["royalblue","crimson","lightseagreen","orange","red"] 17 cities = [] 18 scale =.08 19 20 # 创建地理分布图对象 21 fig = go.Figure() 22 23 # 遍历范围,筛选出对应的城市数据,并添加到地理分布图中 24 for i in range(len(limits)): 25 lim = limits[i] 26 df_sub = df7[df7.大学名称.map(lambda x: lim[0] <= x <= lim[1])] 27 fig.add_trace(go.Scattergeo( 28 locationmode = 'ISO-3', 29 lon = df_sub['经度'], 30 lat = df_sub['纬度'], 31 text = df_sub['text'], 32 marker = dict( 33 size = df_sub['大学名称'], 34 color = colors[i], 35 line_color='rgb(40,40,40)', 36 line_width=0.5, 37 sizemode = 'area' 38 ), 39 name = '{0} - {1}'.format(lim[0],lim[1]))) 40 41 # 更新地理分布图布局 42 fig.update_layout( 43 title_text = '全国高校地理分布图', 44 showlegend = True, 45 geo = dict( 46 scope = 'asia', 47 landcolor = 'rgb(217, 217, 217)', 48 ), 49 template='ggplot2', 50 font=dict( 51 size=12, 52 color="Black",), 53 legend=dict(yanchor="top", 54 y=1., 55 xanchor="left", 56 x=1) 57 ) 58 59 # 显示地理分布图 60 fig.show()
Part5: 针对全国高校的热度排行创建一个柱状图,并在其中创建一个散点图用来显示高校名称和周访问量。
1 import plotly.graph_objs as go 2 3 # 创建一个空的图形对象 4 fig=go.Figure() 5 6 # 对数据按照总访问量进行降序排序 7 df3 = university.sort_values(by='总访问量',ascending=False) 8 9 # 添加一个柱状图,表示大学名称、总访问量和颜色 10 fig.add_trace(go.Bar( 11 x=df3.loc[:15,'大学名称'], 12 y=df3.loc[:15,'总访问量'], 13 name='总访问量', 14 marker_color='#009473', 15 textposition='inside', 16 yaxis='y1' 17 )) 18 19 # 添加一个散点图,表示大学名称、周访问量和颜色 20 fig.add_trace(go.Scatter( 21 x=df3.loc[:15,'大学名称'], 22 y=df3.loc[:15,'周访问量'], 23 name='周访问量', 24 mode='markers+text+lines', 25 marker_color='black', 26 marker_size=10, 27 textposition='top center', 28 line=dict(color='orange',dash='dash'), 29 yaxis='y2' 30 31 )) 32 33 # 更新图形布局 34 fig.update_layout( 35 title='全国高校热度TOP15', 36 xaxis_title="大学名称", 37 yaxis_title="总访问量", 38 template='ggplot2', 39 font=dict( 40 size=12, 41 color="Black", 42 43 ), 44 xaxis=dict(showgrid=False), 45 yaxis=dict(showgrid=False), 46 plot_bgcolor="#fafafa", 47 yaxis2=dict(showgrid=True,overlaying='y',side='right',title='周访问量'), 48 legend=dict(yanchor="top", 49 y=1.15, 50 xanchor="left", 51 x=0.8) 52 ) 53 54 # 显示图形 55 fig.show()
Part6: 查询热度排名前十的省份内前三的学校
# 从数据集中筛选出省份、大学名称和总访问量三列 df9 = university.loc[:,['省份','大学名称','总访问量']] # 根据省份对总访问量进行降序排名,得到每个省份的前三所大学 df9['前三'] = df9.drop_duplicates()['总访问量'].groupby(by=df9['省份']).rank(method='first', ascending=False) df_10 = df9[df9['前三'].map(lambda x: True if x < 4 else False)] df_10['前三'] = df_10.前三.astype(int) # 使用pivot_table方法创建一个透视表,以省份为行索引,前三名大学为列索引,总访问量为值 df_pt = df_10.pivot_table(values='总访问量',index='省份',columns='前三') # 按照总访问量降序排列透视表,并取前10个省份 df_pt_2 = df_pt.sort_values(by=1,ascending=False)[:10] # 获取排名前三的大学名称 df_labels_1 = df9[df9.前三 == 1].set_index('省份').loc[df_pt_2.index,'大学名称'][:10] df_labels_2 = df9[df9.前三 == 2].set_index('省份').loc[df_pt_2.index,'大学名称'][:10] df_labels_3 = df9[df9.前三 == 3].set_index('省份').loc[df_pt_2.index,'大学名称'][:10] #创建x轴数据和图形对象 x = df_pt_2.index fig = go.Figure() # 添加柱状图,表示热度第一、热度第二、热度第三的大学 fig.add_trace(go.Bar( x=x, y=df_pt_2[1], name='热度第一', marker_color='indianred', textposition='inside', text=df_labels_1.values, textangle = 90 )) fig.add_trace(go.Bar( x=x, y=df_pt_2[2], name='热度第二', marker_color='lightsalmon', textposition='inside', text=df_labels_2.values, textangle = 90 )) fig.add_trace(go.Bar( x=x, y=df_pt_2[3], name='热度第三', marker_color='lightpink', textposition='inside', text=df_labels_3.values, textangle = 90 )) # 修改x轴刻度标签的角度,使标签旋转 fig.update_layout(barmode='group', xaxis_tickangle=-45) # 更新图形布局,包括标题、x轴和y轴标题、模板、字体和柱状图模式等 fig.update_layout( title='全国高校热度TOP10省份的前三名', xaxis_title="省份", yaxis_title="总访问量", template='ggplot2', font=dict( size=12, color="Black"), barmode='group', xaxis_tickangle=-45 ) fig.show()
Part7: 查询北京市热度排名前十五的学校
import plotly.graph_objs as go # 筛选出北京市的双一流高校,并取前15名 df_bj = university.query("高校层次 == '双一流' and 城市== '北京市'").iloc[:15,:] # 创建图形对象并对总访问量进行降序排序 fig=go.Figure() df3 = university.sort_values(by='总访问量',ascending=False) # 添加柱状图,展示总访问量 fig.add_trace(go.Bar( x=df_bj['大学名称'], y=df_bj['总访问量'], name='总访问量', marker_color='#009473', textposition='inside', yaxis='y1' )) # 添加散点图和折线图,展示周访问量 fig.add_trace(go.Scatter( x=df_bj['大学名称'], y=df_bj['周访问量'], name='周访问量', mode='markers+text+lines', marker_color='black', marker_size=10, textposition='top center', line=dict(color='orange',dash='dash'), yaxis='y2' )) # 更新图形布局 fig.update_layout( title='北京高校热度TOP15', xaxis_title="大学名称", yaxis_title="总访问量", template='ggplot2', font=dict( size=12, color="Black", ), xaxis=dict(showgrid=False), yaxis=dict(showgrid=False), plot_bgcolor="#fafafa", yaxis2=dict(showgrid=True,overlaying='y',side='right',title='周访问量'), legend=dict(yanchor="top", y=1.15, xanchor="left", x=0.78) ) fig.show()
Part8: 查询全国高校按类别划分的热度图
1 # 从university数据框中提取'城市'、'高校层次'、'211院校'和'985院校'列,并添加一列名为'总数'的全为1的新列 2 df5 = university.loc[:,['城市','高校层次','211院校','985院校']] 3 df5['总数'] = 1 4 5 # 将 '211院校' 和 '985院校' 列中的值映射为'是'或'否' 6 df5['211院校'] = df5['211院校'].map(lambda x: '是' if x == 1 else '否') 7 df5['985院校'] = df5['985院校'].map(lambda x: '是' if x == 1 else '否') 8 9 # 将数据框重塑为以'城市'和'985院校'为索引的新数据框,并将'总数'列的值作为新数据框的值 10 df6 =df5.pivot_table(index=['城市','985院校'],values='总数').reset_index() 11 12 df6 13 14 df6.columns 15 16 # 使用plotly库绘制散点图 17 fig = px.scatter(university,x="省份", y="类型",size="总访问量") 18 19 # 更新图表布局设置 20 fig.update_layout( 21 title='全国高校按类别热度图', 22 xaxis_title="省份", 23 yaxis_title="院校类型", 24 template='ggplot2', 25 font=dict(size=12,color="Black",), 26 xaxis=dict(showgrid=False), 27 yaxis=dict(showgrid=False), 28 plot_bgcolor="#fafafa", 29 ) 30 31 fig.show()
爬虫课程设计全部代码如下:
1 # 导入所需模块 2 import os 3 import json 4 import time 5 import random 6 import numpy as np 7 import pandas as pd 8 import plotly as py 9 from time import sleep 10 import plotly.express as px 11 from bs4 import BeautifulSoup 12 from requests_html import HTMLSession,UserAgent 13 14 15 16 def get_header(): 17 import fake_useragent 18 location = os.getcwd() + '/fake_useragent.json' 19 ua = fake_useragent.UserAgent(path=location) 20 return ua.random 21 22 # 高校数据 23 def get_size(page=1): 24 url = 'https://api.eol.cn/gkcx/api/?access_token=&admissions=¢ral=&department=&dual_class=&f211=&f985=&is_doublehigh=&is_dual_class=&keyword=&nature=&page={0}&province_id=&ranktype=&request_type=1&school_type=&signsafe=&size=20&sort=view_total&top_school_id=[2941]&type=&uri=apidata/api/gk/school/lists'\ 25 .format(page) 26 session = HTMLSession() #创建HTML会话对象 27 user_agent = UserAgent().random #创建随机请求头 28 header = {"User-Agent": user_agent} 29 res = session.post(url, headers=header) 30 data = json.loads(res.text) 31 size = 0 32 if data["message"] == '成功---success': 33 size = data["data"]["numFound"] 34 return size 35 36 def get_university_info(size, page_size=20): 37 page_cnt = int(size/page_size) if size%page_size==0 else int(size/page_size)+1 38 print('一共{0}页数据,即将开始爬取...'.format(page_cnt)) 39 session2 = HTMLSession() #创建HTML会话对象 40 df_result = pd.DataFrame() 41 for index in range(1, page_cnt+1): 42 print('正在爬取第 {0}/{1} 页数据'.format(index, page_cnt)) 43 url = 'https://api.eol.cn/gkcx/api/?access_token=&admissions=¢ral=&department=&dual_class=&f211=&f985=&is_doublehigh=&is_dual_class=&keyword=&nature=&page={0}&province_id=&ranktype=&request_type=1&school_type=&signsafe=&size=20&sort=view_total&top_school_id=[2941]&type=&uri=apidata/api/gk/school/lists' \ 44 .format(index) 45 user_agent = UserAgent().random #创建随机请求头 46 header = {"User-Agent": user_agent} 47 res = session2.post(url, headers=header) 48 49 with open("res.text", "a+", encoding="utf-8") as file: 50 file.write(res.text) 51 52 data = json.loads(res.text) 53 54 if data["message"] == '成功---success': 55 df_data = pd.DataFrame(data["data"]["item"]) 56 df_result = pd.concat([df_result, df_data], ignore_index=True) 57 time.sleep(random.randint(5, 7)) 58 59 return df_result 60 61 size = get_size() 62 df_result = get_university_info(size) 63 df_result.to_csv('全国大学数据.csv', encoding='gbk', index=False) 64 65 #查询总访问量排序下的全国大学数据文件 66 67 # 读取数据 68 university = pd.read_csv('data/全国大学数据.csv',encoding='gbk') 69 70 # 对数据进行处理 71 university = university.loc[:,['name','nature_name','province_name','belong', 72 'city_name', 'dual_class_name','f211','f985','level_name' , 73 'type_name','view_month_number','view_total_number', 74 'view_week_number','rank']] 75 c_name = ['大学名称','办学性质','省份','隶属','城市','高校层次', 76 '211院校','985院校','级别','类型','月访问量','总访问量','周访问量','排名'] 77 university.columns = c_name 78 79 # 访问量排序 80 university.sort_values(by='总访问量',ascending=False).head() 81 82 #显示全国双一流和非双一流的高校数量 83 84 university['高校总数'] = 1 85 university.fillna({'高校层次': '非双一流'},inplace=True) 86 university_by_province = university.pivot_table(index=['省份','高校层次'], 87 values='高校总数',aggfunc='count') 88 university_by_province.reset_index(inplace=True) 89 university_by_province.sort_values(by=['高校总数'],ascending=False,inplace=True) 90 91 #查询全国各省高校数量 92 93 fig = px.bar(university_by_province, 94 x="省份", 95 y="高校总数", 96 color="高校层次") 97 fig.update_layout( 98 title='全国各省高校数量', 99 xaxis_title="省份", 100 yaxis_title="高校总数", 101 template='ggplot2', 102 font=dict( 103 size=12, 104 color="Black", 105 ), 106 margin=dict(l=40, r=20, t=50, b=40), 107 xaxis=dict(showgrid=False), 108 yaxis=dict(showgrid=False), 109 plot_bgcolor="#fafafa", 110 legend=dict(yanchor="top", 111 y=0.8, 112 xanchor="left", 113 x=0.78) 114 ) 115 fig.show() 116 117 #生成全国高校地理分布图 118 df = pd.read_excel('./data/全国省市区行政区划.xlsx',header=1) 119 # 筛选出层级为2的数据,并选择'全称'、'经度'和'纬度'列 120 df_l = df.query("层级==2").loc[:,['全称','经度','纬度']] 121 df_l = df_l.reset_index(drop=True).rename(columns={'全称':'城市'}) 122 df7 = university.pivot_table('大学名称','城市',aggfunc='count') 123 df7 = df7.merge(df_l,on='城市',how='left') 124 125 # 按照大学数量降序排序 126 df7.sort_values(by='大学名称',ascending=False) 127 import plotly.graph_objects as go 128 import pandas as p 129 df7['text'] = df7['城市'] + '<br>大学总数 ' + (df7['大学名称']).astype(str)+'个' 130 131 # 定义文本、颜色和范围 132 limits = [(0,10),(11,20),(21,50),(51,100),(101,200)] 133 colors = ["royalblue","crimson","lightseagreen","orange","red"] 134 cities = [] 135 scale =.08 136 137 # 创建地理分布图对象 138 fig = go.Figure() 139 140 # 遍历范围,筛选出对应的城市数据,并添加到地理分布图中 141 for i in range(len(limits)): 142 lim = limits[i] 143 df_sub = df7[df7.大学名称.map(lambda x: lim[0] <= x <= lim[1])] 144 fig.add_trace(go.Scattergeo( 145 locationmode = 'ISO-3', 146 lon = df_sub['经度'], 147 lat = df_sub['纬度'], 148 text = df_sub['text'], 149 marker = dict( 150 size = df_sub['大学名称'], 151 color = colors[i], 152 line_color='rgb(40,40,40)', 153 line_width=0.5, 154 sizemode = 'area' 155 ), 156 name = '{0} - {1}'.format(lim[0],lim[1]))) 157 158 # 更新地理分布图布局 159 fig.update_layout( 160 title_text = '全国高校地理分布图', 161 showlegend = True, 162 geo = dict( 163 scope = 'asia', 164 landcolor = 'rgb(217, 217, 217)', 165 ), 166 template='ggplot2', 167 font=dict( 168 size=12, 169 color="Black",), 170 legend=dict(yanchor="top", 171 y=1., 172 xanchor="left", 173 x=1) 174 ) 175 176 # 显示地理分布图 177 fig.show() 178 179 180 # 全国高校热度TOP15 181 import plotly.graph_objs as go 182 183 # 创建一个空的图形对象 184 fig=go.Figure() 185 # 对数据按照总访问量进行降序排序 186 df3 = university.sort_values(by='总访问量',ascending=False) 187 # 添加一个柱状图,表示大学名称、总访问量和颜色 188 fig.add_trace(go.Bar( 189 x=df3.loc[:15,'大学名称'], 190 y=df3.loc[:15,'总访问量'], 191 name='总访问量', 192 marker_color='#009473', 193 textposition='inside', 194 yaxis='y1' 195 )) 196 # 添加一个散点图,表示大学名称、周访问量和颜色 197 fig.add_trace(go.Scatter( 198 x=df3.loc[:15,'大学名称'], 199 y=df3.loc[:15,'周访问量'], 200 name='周访问量', 201 mode='markers+text+lines', 202 marker_color='black', 203 marker_size=10, 204 textposition='top center', 205 line=dict(color='orange',dash='dash'), 206 yaxis='y2' 207 208 )) 209 # 更新图形布局 210 fig.update_layout( 211 title='全国高校热度TOP15', 212 xaxis_title="大学名称", 213 yaxis_title="总访问量", 214 template='ggplot2', 215 font=dict( 216 size=12, 217 color="Black", 218 219 ), 220 xaxis=dict(showgrid=False), 221 yaxis=dict(showgrid=False), 222 plot_bgcolor="#fafafa", 223 yaxis2=dict(showgrid=True,overlaying='y',side='right',title='周访问量'), 224 legend=dict(yanchor="top", 225 y=1.15, 226 xanchor="left", 227 x=0.8) 228 ) 229 # 显示图形 230 fig.show() 231 232 #全国高校热度TOP10省份的前三名 233 # 从数据集中筛选出省份、大学名称和总访问量三列 234 df9 = university.loc[:,['省份','大学名称','总访问量']] 235 # 根据省份对总访问量进行降序排名,得到每个省份的前三所大学 236 df9['前三'] = df9.drop_duplicates()['总访问量'].groupby(by=df9['省份']).rank(method='first', ascending=False) 237 df_10 = df9[df9['前三'].map(lambda x: True if x < 4 else False)] 238 df_10['前三'] = df_10.前三.astype(int) 239 240 # 使用pivot_table方法创建一个透视表,以省份为行索引,前三名大学为列索引,总访问量为值 241 df_pt = df_10.pivot_table(values='总访问量',index='省份',columns='前三') 242 243 # 按照总访问量降序排列透视表,取前10个省份 244 df_pt_2 = df_pt.sort_values(by=1,ascending=False)[:10] 245 # 获取排名前三的大学名称 246 df_labels_1 = df9[df9.前三 == 1].set_index('省份').loc[df_pt_2.index,'大学名称'][:10] 247 df_labels_2 = df9[df9.前三 == 2].set_index('省份').loc[df_pt_2.index,'大学名称'][:10] 248 df_labels_3 = df9[df9.前三 == 3].set_index('省份').loc[df_pt_2.index,'大学名称'][:10] 249 250 #创建x轴数据和图形对象 251 x = df_pt_2.index 252 fig = go.Figure() 253 254 # 添加柱状图,表示热度第一、热度第二、热度第三的大学 255 fig.add_trace(go.Bar( 256 x=x, 257 y=df_pt_2[1], 258 name='热度第一', 259 marker_color='indianred', 260 textposition='inside', 261 text=df_labels_1.values, 262 textangle = 90 263 )) 264 fig.add_trace(go.Bar( 265 x=x, 266 y=df_pt_2[2], 267 name='热度第二', 268 marker_color='lightsalmon', 269 textposition='inside', 270 text=df_labels_2.values, 271 textangle = 90 272 )) 273 fig.add_trace(go.Bar( 274 x=x, 275 y=df_pt_2[3], 276 name='热度第三', 277 marker_color='lightpink', 278 textposition='inside', 279 text=df_labels_3.values, 280 textangle = 90 281 )) 282 283 # 修改x轴刻度标签的角度,使标签旋转 284 fig.update_layout(barmode='group', xaxis_tickangle=-45) 285 # 更新图形布局,包括标题、x轴和y轴标题、模板、字体和柱状图模式等 286 fig.update_layout( 287 title='全国高校热度TOP10省份的前三名', 288 xaxis_title="省份", 289 yaxis_title="总访问量", 290 template='ggplot2', 291 font=dict( 292 size=12, 293 color="Black"), 294 barmode='group', xaxis_tickangle=-45 295 ) 296 fig.show() 297 298 #查询北京市热度排名前十五的学校 299 import plotly.graph_objs as go 300 # 筛选出北京市的双一流高校,并取前15名 301 df_bj = university.query("高校层次 == '双一流' and 城市== '北京市'").iloc[:15,:] 302 303 # 创建图形对象并对总访问量进行降序排序 304 fig=go.Figure() 305 df3 = university.sort_values(by='总访问量',ascending=False) 306 307 # 添加柱状图,展示总访问量 308 fig.add_trace(go.Bar( 309 x=df_bj['大学名称'], 310 y=df_bj['总访问量'], 311 name='总访问量', 312 marker_color='#009473', 313 textposition='inside', 314 yaxis='y1' 315 )) 316 317 # 添加散点图和折线图,展示周访问量 318 fig.add_trace(go.Scatter( 319 x=df_bj['大学名称'], 320 y=df_bj['周访问量'], 321 name='周访问量', 322 mode='markers+text+lines', 323 marker_color='black', 324 marker_size=10, 325 textposition='top center', 326 line=dict(color='orange',dash='dash'), 327 yaxis='y2' 328 329 )) 330 331 # 更新图形布局 332 fig.update_layout( 333 title='北京高校热度TOP15', 334 xaxis_title="大学名称", 335 yaxis_title="总访问量", 336 template='ggplot2', 337 font=dict(size=12,color="Black", ), 338 xaxis=dict(showgrid=False), 339 yaxis=dict(showgrid=False), 340 plot_bgcolor="#fafafa", 341 yaxis2=dict(showgrid=True,overlaying='y',side='right',title='周访问量'), 342 legend=dict(yanchor="top", 343 y=1.15, 344 xanchor="left", 345 x=0.78) 346 ) 347 fig.show() 348 349 #查询全国高校按类别划分的热度图 350 # 从university数据框中提取'城市'、'高校层次'、'211院校'和'985院校'列,并添加一列名为'总数'的全为1的新列 351 df5 = university.loc[:,['城市','高校层次','211院校','985院校']] 352 df5['总数'] = 1 353 354 # 将 '211院校' 和 '985院校' 列中的值映射为'是'或'否' 355 df5['211院校'] = df5['211院校'].map(lambda x: '是' if x == 1 else '否') 356 df5['985院校'] = df5['985院校'].map(lambda x: '是' if x == 1 else '否') 357 358 # 将数据框重塑为以'城市'和'985院校'为索引的新数据框,并将'总数'列的值作为新数据框的值 359 df6 =df5.pivot_table(index=['城市','985院校'],values='总数').reset_index() 360 df6 361 df6.columns 362 363 # 绘制散点图 364 fig = px.scatter(university, 365 x="省份", y="类型", 366 size="总访问量" 367 ) 368 369 # 更新图表布局设置 370 fig.update_layout( 371 title='全国高校按类别热度图', 372 xaxis_title="省份", 373 yaxis_title="院校类型", 374 template='ggplot2', 375 font=dict( 376 size=12, 377 color="Black",), 378 xaxis=dict(showgrid=False), 379 yaxis=dict(showgrid=False), 380 plot_bgcolor="#fafafa", 381 ) 382 fig.show()
五.总结
1. 根据柱状图了解到河南的非双一流学校最多,北京的双一流学校最多。
2. 根据地图了解到国内大部分高校分在国家的东部和中部。
3. 根据柱状图了解到大家对厦门大学、四川大学比较感兴趣。
4. 根据柱状图了解到排名第一的福建省只有一所厦门大学热度超前,而四川省、湖北省、广东省、北京市的高校热度都较为平均。
5. 根据散点图了解到全国各省的综合类的热度均较为突出
综上所述,河南在高等教育方面有更多的资源和机会,而北京则拥有更多的顶尖高校。东部和中部地区的经济发展相对较好,教育资源相对集中。厦门大学和四川大学在学术研究、教学质量等方面具有较高的声誉和知名度。综合类高校在各个省份都受到较高的关注和认可。
标签:课程设计,python,university,高校,爬取,df,访问量,import,size From: https://www.cnblogs.com/sujinghe/p/17927166.html